如何用TensorFlow Lambda层替换NaN值？后续层输出全NaN如何解决

• 核心原因是损失计算阶段输入了带NaN的标签：你在调用model.fit(X_train, X_train)时，作为标签的X_train本身包含NaN值。MSE损失计算逻辑中，只要真实值为NaN，最终损失结果就会是NaN，反向传播时所有参数的梯度都会被污染为NaN，Dense层的权重经过一次更新就全部变为NaN，推理时不管输入是什么，经过带NaN权重的矩阵计算输出自然全是NaN。
• 次要问题是预处理流程不规范：MinMaxScaler.fit无法处理带NaN的输入，如果你原始X_train包含NaN，拟合得到的缩放参数本身就存在异常，transform后的训练、测试数据中仍然会残留NaN，进一步加剧梯度异常问题。
• 预测阶段的输入没有经过和训练一致的标准化处理，也是潜在的数值异常诱因。

你需要调整预处理和训练逻辑，保证训练全流程中损失计算、梯度计算不会接触到NaN，具体修改如下：

1. 提前生成无NaN的标签数据：如果你需要模型完成输入补全任务，标签应该使用提前处理好NaN的干净数据，不能直接用带NaN的原始输入当标签。
2. 修正Scaler的拟合逻辑：使用无NaN的数据拟合MinMaxScaler，保证缩放参数有效。
3. 预测阶段输入必须经过和训练完全一致的预处理流程。

修改后的参考代码：

import numpy as np
import tensorflow as tf
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.layers import Input, Lambda, Dense
from tensorflow.keras.models import Model

# 第一步：提前处理原始数据得到无NaN的干净版本作为标签基准
X_clean = np.where(np.isnan(X), 0, X)
# 拆分数据集：输入保留原始的NaN，标签用处理好的无NaN数据
X_train, X_test, y_train, y_test = train_test_split(X, X_clean, test_size=0.33, random_state=1)

# 第二步：用无NaN的数据拟合Scaler，保证缩放参数正确
scaler = MinMaxScaler()
scaler.fit(X_clean)
# 输入和标签做统一缩放
X_train = scaler.transform(X_train)
X_test = scaler.transform(X_test)
y_train = scaler.transform(y_train)
y_test = scaler.transform(y_test)

n_inputs = X.shape[1]
# 定义模型
visible = Input(shape=(n_inputs,))
# Lambda层替换输入中的NaN为0，逻辑可以简化
e1 = Lambda(lambda x: tf.where(tf.math.is_nan(x), 0.0, x))(visible)
output = Dense(n_inputs)(e1)
model = Model(inputs=visible, outputs=output)
model.compile(optimizer='adam', loss='mse')

# 第三步：训练时使用无NaN的标签
history = model.fit(X_train, y_train, epochs=10, batch_size=16, verbose=2, validation_data=(X_test, y_test))

# 预测时输入先做相同的缩放处理
X_scaled = scaler.transform(X)
p = model.predict(X_scaled)

内容的提问来源于stack exchange，提问作者misa